본 논문은 양자 연합 학습(QFL)에서의 이질성에 대한 심층적인 연구를 다룬다. QFL은 양자 컴퓨팅과 연합 학습을 결합하여 분산 모델 훈련을 가능하게 하고 데이터 프라이버시를 유지한다. 기존 QFL 프레임워크가 양자 클라이언트 간의 동질성에 초점을 맞춘 반면, 본 연구는 실제 양자 데이터 분포, 인코딩 기술, 하드웨어 노이즈 수준, 계산 능력의 차이에서 발생하는 이질성을 두 가지 범주(데이터 및 시스템 이질성)로 분류하고, 이들이 훈련 수렴과 모델 집계에 미치는 영향을 조사한다. 또한, 기존 완화 솔루션의 한계를 지적하고, 양자 이질성 해결의 가능성을 보여주는 사례 연구를 제시한다. 마지막으로, 견고하고 확장 가능한 이질적인 QFL 프레임워크 구축을 위한 잠재적인 미래 연구 분야를 논의한다.
